CN109164708B - 一种高超声速飞行器神经网络自适应容错控制方法 - Google Patents

一种高超声速飞行器神经网络自适应容错控制方法 Download PDF

Info

Publication number
CN109164708B
CN109164708B CN201811285406.3A CN201811285406A CN109164708B CN 109164708 B CN109164708 B CN 109164708B CN 201811285406 A CN201811285406 A CN 201811285406A CN 109164708 B CN109164708 B CN 109164708B
Authority
CN
China
Prior art keywords
neural network
fault
sliding mode
hypersonic aircraft
adaptive
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811285406.3A
Other languages
English (en)
Other versions
CN109164708A (zh
Inventor
朱平
余朝军
文成馀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201811285406.3A priority Critical patent/CN109164708B/zh
Publication of CN109164708A publication Critical patent/CN109164708A/zh
Application granted granted Critical
Publication of CN109164708B publication Critical patent/CN109164708B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种高超声速飞行器神经网络自适应容错控制方法。选择系统状态,建立带故障的高超声速飞行器模型;根据系统结构,定义积分滑模面,对积分滑模面求导并将建立的带故障的高超声速飞行器模型代入,得到基础控制器;在基础控制器中加入神经网络自适应率算法,得到自适应容错控制器。本发明不需要系统参数,且控制算法简单。

Description

一种高超声速飞行器神经网络自适应容错控制方法
技术领域
本发明属于飞行器控制技术领域,特别涉及了一种高超声速飞行器神经网络自适应容错控制方法。
背景技术
高超声速飞行器是一种飞行马赫数大于5的有翼或无翼飞机。由于高超音速飞机的飞行高度极高且飞行环境复杂,其执行器,传感器和结构容易发生故障。为了确保飞机的正常飞行,容错控制(FTC)的研究至关重要。目前,大多数关于高超声速飞行器容错控制的研究都集中在对其姿态模型的研究上,对纵向运动模型的研究较少。基于姿态系统的控制方法难以应用于纵向模型,因此,有必要进一步研究高超声速飞行器纵向模型的FTC。
实际上,高超声速飞行器是一种高度耦合,高度非线性的复杂物体,不能完全反映系统的动态特性。因此,为了提高弹性高超声速飞行器系统的安全性和可靠性,有必要对高超声速飞行器非线性模型的容错控制进行研究。天津大学的王杰提出了一种基于高超声速飞行器非线性模型的自适应滑模FTC方法,自适应地处理故障的影响。东南大学李世华考虑自适应积分滑模FTC,实现了飞行输出参考命令的渐近稳定跟踪。但是上述控制方法都需要系统参数,因此需要设计出更加简单有效的高超声速飞行器方法。
发明内容
为了解决上述背景技术提出的技术问题,本发明旨在提供一种高超声速飞行器神经网络自适应容错控制方法,不需要系统参数,且控制算法简单。
为了实现上述技术目的,本发明的技术方案为:
一种高超声速飞行器神经网络自适应容错控制方法,包括以下步骤:
(1)选择系统状态,建立带故障的高超声速飞行器模型;
(2)根据系统结构,定义积分滑模面,对积分滑模面求导并将步骤(1)建立的带故障的高超声速飞行器模型代入,得到基础控制器;
(3)在步骤(2)得到的基础控制器中加入神经网络自适应率算法,得到自适应容错控制器。
进一步地,在步骤(1)中,选择
Figure BDA0001848923070000021
作为系统状态,并建立如下带故障的高超声速飞行器模型:
Figure BDA0001848923070000022
其中,V为飞行器的速度,
Figure BDA0001848923070000023
依次表示V的一阶微分、二阶微分和三阶微分;h为飞行器的高度,
Figure BDA0001848923070000024
h(4)依次表示h的一阶微分、二阶微分、三阶微分和四阶微分;上标T表示转置;
Figure BDA0001848923070000025
表示V对光滑向量场f微分3次,
Figure BDA0001848923070000026
表示h对光滑向量场f微分4次;ηc为发动机节流阀调定值,δe为升降舵偏转角;f1为飞行器中控制ηc的执行器的故障状态值,f2为飞行器中控制δe的执行器的故障状态值,0≤fi≤1,fi=0表示对应的执行器发生故障,完全不能工作,fi=1表示对应的执行器未发生故障,i=1,2;矩阵
Figure BDA0001848923070000027
为非奇异系数矩阵。
进一步地,在步骤(2)中,首先定义指令跟踪误差:
Figure BDA0001848923070000028
上式中,eV表示实际速度与指令信号速度的差值,eh与实际高度与指令信号高度的差值,Vref和href分别为指令信号速度和指令信号高度;
然后根据系统结构,定义积分滑模面:
Figure BDA0001848923070000031
上式中,SV和Sh分别为关于速度和高度的积分滑模面,其初值均为0;λV和λh为决定滑模运动性能的参数,其值均为正数;CV和Ch为常数参数;τ为时间积分变量,t为积分时长;
对积分滑模面求导并将步骤(1)建立的带故障的高超声速飞行器模型代入其中,得到不考虑故障情况下的基于快速双幂次趋近律的基础控制器:
Figure BDA0001848923070000032
上式中,kV1,kV2,kV3,kh1,kh2,kh3为需要设计的控制器参数,其值均大于0;αVh>1;βV>0,βh<1,αVh,βVh均为需要设计的控制器参数;sign(*)为符号函数。
进一步地,在步骤(3)中,在步骤(2)得到的基础控制器中加入如下神经网络函数:
ξ(t)=F*Tφ(z)+G*z+H
上式中,z为神经网络的输入,φ(z)为径向基函数,F*为神经网络隐含层与输出层之间的理想权重,G*为输入层与输出层之间的理想权重,H是逼近误差的上界;
从而得到如下自适应容错控制器:
Figure BDA0001848923070000033
上式中,ψ(·)=||φ(z)||+|z|+1,ε为抑制抖振的参数,S=[SV,Sh]T
Figure BDA0001848923070000041
分别是F*,G*,H的估计值;
神经网络的自适应更新率如下:
Figure BDA0001848923070000042
Figure BDA0001848923070000043
Figure BDA0001848923070000044
上式中,γFFGGHH均为大于零的常值参数。
进一步地,所述神经网络的径向基函数:
φ(z)=[φ1(z),φ2(z),...,φc(z)]T
Figure BDA0001848923070000045
其中,神经网络的输入
Figure BDA0001848923070000046
ui是第i个神经节点的中心,βi是第i个高斯函数的宽度,c为神经节点数目。
采用上述技术方案带来的有益效果:
(1)本发明在不需要精确系统参数且不需要估算执行器故障阈值的情况下,能够针对发动机和油门的不同故障情况完成飞行输出参考命令的渐近稳定跟踪;
(2)本发明控制算法结构简单,不需要大量的在线计算,可以快速处理故障的发生。
附图说明
图1为本发明的飞行控制系统基本框图;
图2为本发明自适应神经网络部分的结构图;
图3为飞行器状态量变化曲线图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
如图1所示,由计算机发出飞行指令给高超声速飞行器,依次通过控制系统中的滑模自适应控制模块(NASMFTC)和精确反馈线性化模块,将发动机节流阀调定值ηc和升降舵偏转角δe发送给执行器中的发动机和舵面,但是在执行器中存在效益损失故障,所以经过执行器之后,原来的输入变为f1ηc和f2δe,并将此输入到高超声速飞行器模型,经过测量系统反馈到飞行器指令处进行调节。
步骤一:建立高超声速飞行器模型。
选择
Figure BDA0001848923070000051
作为的系统状态,高超声速飞行器精确反馈线性化模型如下:
Figure BDA0001848923070000052
其中,V为飞行器的速度;h为飞行器的高度;
Figure BDA0001848923070000053
表示V对光滑向量场f微分3次,
Figure BDA0001848923070000054
表示h对光滑向量场f微分4次;ηc为发动机节流阀调定值,δe为升降舵偏转角;
Figure BDA0001848923070000055
Figure BDA0001848923070000056
Figure BDA0001848923070000057
Figure BDA0001848923070000058
其中,x0为系统的初始状态;x1=[V,γ,α,β,h]T,V,γ,α,q,h分别为速度,航迹倾斜角,迎角,俯仰角速度和高度;g,Iy分别为重力加速度和绕y轴的转动惯量,m为飞行器的质量;
Figure BDA0001848923070000067
为平均气动弦长;ce为常数系数,等于0.0292;SW为机翼参考面积;ρ=ρ0e-h/7315.2表示空气密度随高度变化因子,ρ0为地表大气密度;
Figure BDA0001848923070000061
表示推力,
Figure BDA0001848923070000062
表示迎角阻力,
Figure BDA0001848923070000063
表示迎角升力,
Figure BDA0001848923070000064
cβ表示侧滑角系数;ωn表示固有频率。
考虑高超声速飞行器的控制效益损失故障,即飞行器的执行器故障,如果控制效益不是完全损失,那么飞行器的执行器仍旧能够工作,但是控制的效率会降低,由以上的精确反馈线性化模型可知,在本发明中,执行器为高超声速飞行器的油门开度和升降舵偏转角。
设vi(t)为第i个执行器的输入,ui(t)为第i个执行器的实际输出值。当发生部分失效故障时,建立如下的模型:
ui(t)=fivi(t)
其中,fi为第i个执行器的部分失效因子。
则带有故障的高超声速飞行器模型如下:
Figure BDA0001848923070000065
其中,矩阵f=diag{f1,f2}中f1表示高超声速飞行器的控制输入油门开度ηc中发生的未知的控制效益损失故障,f2表示升降舵偏转角δe中发生的未知的控制效益损失故障,并且满足0≤fi≤1,fi=0表示该执行器发生故障,完全不能工作,fi=1表示该执行器没有发生故障,假设矩阵
Figure BDA0001848923070000066
非奇异,通过验证可知对于所建立的高超声速飞行器模型,在正常飞行包线内矩阵B是可逆的。
步骤二:设计基础控制器。
速度和高度的指令信号分别记为Vc和href,定义指令跟踪误差:
Figure BDA0001848923070000071
根据系统的结构,定义积分滑模面如下:
Figure BDA0001848923070000072
其中,λV和λh为正数,决定滑模运动的性能;CV和Ch为常数,其应取适当的数值,可使得滑模面的初值SV(0)=0,Sh(0)=0,以使系统在一开始就处于滑模运动,避免初始阶段控制输入量变化过大。
对滑模面求导并将高超声速飞行器模型代入其中,可得:
Figure BDA0001848923070000073
针对滑模控制中传统趋近律存在抖振、收敛速度慢的问题,在不考虑故障的情况下设计基于快速双幂次趋近律的基础控制器:
Figure BDA0001848923070000074
其中,kV1,kV2,kV3,kh1,kh2,kh3为需要设计的控制器参数,其值均大于0;αVh>1;βV>0,βh<1,αVh,βVh均为需要设计的控制器参数;sign(*)为符号函数。
步骤三:在基础控制器的基础上添加神经网络自适应算法。
为了提高神经网络的收敛速度以及存在干扰时容错控制方法的执行性能,在传统RBF神经网络的基础上用一种改进的神经网络结构,即在网络的输入层和输出层之间引入线性连接,在线调整神经网络的权重。对于逼近有一定线性特点的函数具有明显的优势,而且,由于输入直接对输出影响,网络的收敛速度和逼近能力会得到提高。图2为神经网络自适应部分的结构图。
设计如下的神经网络来逼近ξ(t):
ξ(t)=F*Tφ(z)+G*z+H
式中,z为神经网络的输入,φ(z)为径向基函数,F*为神经网络隐含层与输出层之间的理想权重,G*为输入层与输出层之间的理想权重,H是逼近误差的上界。
则自适应容错控制器的设计如下:
Figure BDA0001848923070000081
其中,ψ(·)=||φ(z)||+|z|+1,ε为抑制抖振的设计,S=[SV,Sh]T
Figure BDA0001848923070000082
分别是F*,G*,H的估计值。
神经网络的自适应更新律如下:
Figure BDA0001848923070000083
Figure BDA0001848923070000084
Figure BDA0001848923070000085
其中,γFFGGHH均为大于零的常值,由设计者进行设计。
神经网络的径向基函数的定义如下:
φ(z)=[φ1(z),φ2(z),...,φc(z)]T
Figure BDA0001848923070000086
其中,定义神经网络的输入
Figure BDA0001848923070000091
ui是第i个神经节点的中心,βi是第i个高斯函数的宽度,c为神经节点数目。
图3为在故障
Figure BDA0001848923070000092
的情况下,飞行器状态量变化曲线图。其中,(a)为飞行器速度(V)变化曲线图;(b)为飞行器高度(h)变化曲线图;(c)为飞行器俯仰角速率(q)变化曲线图;(d)为飞行器迎角(α)变化曲线图;(e)为飞行器航迹角(γ)变化曲线图。由(a)和(b)的仿真结果可以看出,当飞机在20s出现故障时,具有自适应神经网络的控制器基本上可以保持稳定而不受故障影响,而没有FTC的控制器无法跟踪故障发生后的原始指令。从(c)到(e)可以看出,具有自适应神经网络的控制器可以具有更好的稳定性并且受故障影响较小。它还具有快速的收敛速度,这使得飞机在大约10秒内保持稳定。
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。

Claims (2)

1.一种高超声速飞行器神经网络自适应容错控制方法,其特征在于,包括以下步骤:
(1)选择系统状态,建立带故障的高超声速飞行器模型;
选择
Figure FDA0002510871880000011
作为系统状态,并建立如下带故障的高超声速飞行器模型:
Figure FDA0002510871880000012
其中,V为飞行器的速度,
Figure FDA0002510871880000013
依次表示V的一阶微分、二阶微分和三阶微分;h为飞行器的高度,
Figure FDA0002510871880000014
h(4)依次表示h的一阶微分、二阶微分、三阶微分和四阶微分;上标T表示转置;
Figure FDA0002510871880000015
表示V对光滑向量场f微分3次,
Figure FDA0002510871880000016
表示h对光滑向量场f微分4次;ηc为发动机节流阀调定值,δe为升降舵偏转角;f1为飞行器中控制ηc的执行器的故障状态值,f2为飞行器中控制δe的执行器的故障状态值,0≤fi≤1,fi=0表示对应的执行器发生故障,完全不能工作,fi=1表示对应的执行器未发生故障,i=1,2;矩阵
Figure FDA0002510871880000017
为非奇异系数矩阵;
(2)根据系统结构,定义积分滑模面,对积分滑模面求导并将步骤(1)建立的带故障的高超声速飞行器模型代入,得到基础控制器;
首先定义指令跟踪误差:
Figure FDA0002510871880000018
上式中,eV表示实际速度与指令信号速度的差值,eh为实际高度与指令信号高度的差值,Vref和href分别为指令信号速度和指令信号高度;
然后根据系统结构,定义积分滑模面:
Figure FDA0002510871880000021
上式中,SV和Sh分别为关于速度和高度的积分滑模面,其初值均为0;λV和λh为决定滑模运动性能的参数,其值均为正数;CV和Ch为常数参数;τ为时间积分变量,t为积分时长;
对积分滑模面求导并将步骤(1)建立的带故障的高超声速飞行器模型代入其中,得到不考虑故障情况下的基于快速双幂次趋近律的基础控制器:
Figure FDA0002510871880000022
上式中,kV1,kV2,kV3,kh1,kh2,kh3为需要设计的控制器参数,其值均大于0;αVh>1;βV>0,βh<1,αVh,βVh均为需要设计的控制器参数;sign(*)为符号函数;
(3)在步骤(2)得到的基础控制器中加入神经网络自适应率算法,得到自适应容错控制器;
在步骤(2)得到的基础控制器中加入如下神经网络函数:
ξ(t)=F*Tφ(z)+G*z+H
上式中,z为神经网络的输入,φ(z)为径向基函数,F*为神经网络隐含层与输出层之间的理想权重,G*为输入层与输出层之间的理想权重,H是逼近误差的上界;
从而得到如下自适应容错控制器:
Figure FDA0002510871880000031
上式中,ψ(·)=||φ(z)||+|z|+1,ε为抑制抖振的参数,S=[SV,Sh]T
Figure FDA0002510871880000032
分别是F*,G*,H的估计值;
神经网络的自适应更新率如下:
Figure FDA0002510871880000033
Figure FDA0002510871880000034
Figure FDA0002510871880000035
上式中,γFFGGHH均为大于零的常值参数。
2.根据权利要求1所述高超声速飞行器神经网络自适应容错控制方法,其特征在于,所述神经网络的径向基函数:
φ(z)=[φ1(z),φ2(z),...,φc(z)]T
Figure FDA0002510871880000036
其中,神经网络的输入
Figure FDA0002510871880000037
ui是第i个神经节点的中心,βi是第i个高斯函数的宽度,c为神经节点数目。
CN201811285406.3A 2018-10-31 2018-10-31 一种高超声速飞行器神经网络自适应容错控制方法 Active CN109164708B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811285406.3A CN109164708B (zh) 2018-10-31 2018-10-31 一种高超声速飞行器神经网络自适应容错控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811285406.3A CN109164708B (zh) 2018-10-31 2018-10-31 一种高超声速飞行器神经网络自适应容错控制方法

Publications (2)

Publication Number Publication Date
CN109164708A CN109164708A (zh) 2019-01-08
CN109164708B true CN109164708B (zh) 2020-08-04

Family

ID=64875534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811285406.3A Active CN109164708B (zh) 2018-10-31 2018-10-31 一种高超声速飞行器神经网络自适应容错控制方法

Country Status (1)

Country Link
CN (1) CN109164708B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110989337B (zh) * 2019-12-10 2020-12-01 北京理工大学 考虑舵机失效及气动扰动的飞行器旋转控制系统及方法
CN111045441B (zh) * 2019-12-19 2022-04-08 南京航空航天大学 一种高超声速飞行器传感器复合故障自愈合控制方法
CN111781828B (zh) * 2020-06-17 2022-05-10 中国人民解放军军事科学院国防科技创新研究院 基于自适应非奇异终端滑模控制的航天器集群控制方法
CN112327629B (zh) * 2020-11-17 2022-07-26 西北工业大学 基于动态补偿的小型无人直升机自适应容错控制方法
GB2604381A (en) * 2021-03-04 2022-09-07 Airbus Operations Ltd A method of training a neural network to control an aircraft system

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104898682A (zh) * 2015-05-05 2015-09-09 南京航空航天大学 一种高超声速飞行器再入姿态容错控制方法
CN105843240A (zh) * 2016-04-08 2016-08-10 北京航空航天大学 一种考虑执行器故障的航天器姿态积分滑模容错控制方法
CN107450323A (zh) * 2017-09-05 2017-12-08 西北工业大学 高超声速飞行器再入段神经网络复合学习控制方法
CN107450324A (zh) * 2017-09-05 2017-12-08 西北工业大学 考虑攻角约束的高超声速飞行器自适应容错控制方法
WO2018023201A1 (zh) * 2016-08-03 2018-02-08 孟强 一种自适应终端滑模控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008060916A2 (en) * 2006-11-09 2008-05-22 University Of Florida Research Foundation, Inc. Passive single camera imaging system for determining motor vehicle speed
WO2018027532A1 (en) * 2016-08-09 2018-02-15 The Chinese University Of Hong Kong Device and method for coordinating magnetorheological damping/braking and energy harvesting

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104898682A (zh) * 2015-05-05 2015-09-09 南京航空航天大学 一种高超声速飞行器再入姿态容错控制方法
CN105843240A (zh) * 2016-04-08 2016-08-10 北京航空航天大学 一种考虑执行器故障的航天器姿态积分滑模容错控制方法
WO2018023201A1 (zh) * 2016-08-03 2018-02-08 孟强 一种自适应终端滑模控制方法
CN107450323A (zh) * 2017-09-05 2017-12-08 西北工业大学 高超声速飞行器再入段神经网络复合学习控制方法
CN107450324A (zh) * 2017-09-05 2017-12-08 西北工业大学 考虑攻角约束的高超声速飞行器自适应容错控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
弹性高超声速飞行器跟踪问题控制方法研究;王婕;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20150515(第5期);C031-4页 *
空间可变翼飞行器小翼伸缩自适应滑模控制;杨铭超,等;《哈尔滨工程大学学报》;20170930;第38卷(第9期);第1420-1425页 *

Also Published As

Publication number Publication date
CN109164708A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
CN109164708B (zh) 一种高超声速飞行器神经网络自适应容错控制方法
CN107450324B (zh) 考虑攻角约束的高超声速飞行器自适应容错控制方法
CN108776434B (zh) 一种高超声速飞行器快速自适应滑模容错控制方法
CN106997208B (zh) 一种面向不确定条件下的高超声速飞行器的控制方法
CN109144084B (zh) 一种基于固定时间收敛观测器的垂直起降重复使用运载器姿态跟踪控制方法
Wang et al. Robust nonlinear flight control of a high-performance aircraft
CN105182742A (zh) 一种弹性体飞行器自适应受限跟踪控制间接法
CN112987567B (zh) 非线性系统的固定时间自适应神经网络滑模控制方法
CN111367182A (zh) 考虑输入受限的高超声速飞行器抗干扰反步控制方法
CN110908281A (zh) 无人直升机姿态运动有限时间收敛强化学习控制方法
CN109062055A (zh) 一种基于Back-stepping鲁棒自适应动态面的近空间飞行器控制系统
CN107065544B (zh) 基于攻角幂函数的高超飞行器神经网络控制方法
CN106896722B (zh) 采用状态反馈与神经网络的高超飞行器复合控制方法
CN111781942B (zh) 一种基于自构造模糊神经网络的容错飞行控制方法
CN111679583A (zh) 基于气动参数估计的变体飞行器自适应控制方法
CN110320927A (zh) 智能变形飞行器的飞行控制方法及系统
CN111007720A (zh) 高超声速飞行器多传感器故障的非线性自愈合控制方法
CN111007724A (zh) 一种基于区间ii型模糊神经网络的高超音速飞行器指定性能量化跟踪控制方法
CN114721266B (zh) 飞机舵面结构性缺失故障情况下的自适应重构控制方法
Eberhardt et al. Indirect adaptive flight control system interactions
Yuan et al. Adaptive fault-tolerant controller for morphing aircraft based on the L2 gain and a neural network
CN112947498B (zh) 飞行器航迹角控制方法、系统及存储介质
CN113504723B (zh) 一种基于逆强化学习的运载火箭减载控制方法
Eberhardt et al. Indirect adaptive flight control of a tailless fighter aircraft
CN110347036A (zh) 基于模糊滑模控制的无人机自主抗风智能控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant